CN107072583A

CN107072583A - 用于基于脑活动信号的治疗和/或用户设备的控制的方法和系统

Info

Publication number: CN107072583A
Application number: CN201580059644.0A
Authority: CN
Inventors: 塞萨尔·马克斯·钦; 凯瑟琳·阿特韦尔; 米洛斯·R·波波维奇
Original assignee: University of Health Network
Current assignee: University of Health Network
Priority date: 2014-09-04
Filing date: 2015-09-02
Publication date: 2017-08-18
Also published as: US20190133520A1; US20170172497A1; CA2960148C; WO2016033686A1; EP3188656A4; US10194858B2; JP2017532093A; CA2960192A1; US11955217B2; US20210257078A1; EP3188656B1; US11024411B2; CA2960148A1; EP3188656A1

Abstract

一种用于表征脑电信号的方法，包括形成信号的时间‑频谱分解以形成多个时间分辨的频率信号值，将信号值的每个实例与接近神经系统信号的预定函数相关联，从而形成共同代表脑电信号的系数表。

Description

用于基于脑活动信号的治疗和/或用户设备的控制的方法和系统

参考共同未决的申请

2014年9月4日提交的题为“METHOD AND SYSTEM FOR IMPROVED BRAIN ACTIVITYSIGNAL ANALYSIS(用于改进脑活动信号分析的方法和系统)”的美国临时申请62/046,078的整个主题通过参考包括最初递交给美国专利局的材料并入于此。

技术领域

本发明涉及基于脑活动信号的分析的用户治疗或控制用户设备。

背景技术

当前统计数据显示，在美国有超过700万人在中风或脑部袭击中幸存并且伴随着后遗症生活。大量的这些幸存者受到严重的上肢瘫痪的折磨，而这些严重瘫痪的中风患者中的一些患者对于传统疗法没有响应而需要长期辅助。通常，中风是由脑内血管的出血(15％的情况下)或者阻塞(85％的情况下)；产生病变和局部神经元死亡。脑部对于中风所损坏的神经结构进行再生或修复的能力有限，因此影响感觉运动皮层的中风能够引起受影响的大脑半球对侧的身体一侧的永久运动障碍，这种情况被称为偏瘫。具体地，70-85％的个体在他们第一次中风之后偏瘫，而60％的人将在事件之后的六个月无法独立进行日常起居的简单活动(即，洗漱、穿衣和入厕)。响应于面对中风患者的不乐观预测，研究集中在发展强调神经系统恢复的不同治疗方法。

一种这样的方法是物理疗法，其目的在于利用力量练习、被动移动和神经发展方法来提高患者的功能性能力；另一方法是职业疗法，该职业疗法集中于改进与特定任务相关的技能和/或开发代偿策略。然而，利用物理疗法和职业疗法所观测的运动康复通常在中风后的前六个月停滞。

功能性电刺激(FES)疗法是已经成功用于恢复严重偏瘫的中风患者的手臂和手功能的另一方法。这种介入需要治疗师识别患者移动他们瘫痪或偏瘫肢体的意愿，并且触发利于同一个受影响肢体的移动的电刺激。神经活动(即，运动计划)与来自产生的运动的传入输入(由电刺激引起)看起来便于正向的神经重塑改变，该神经重塑改变产生主动移动的重建。然而，依赖于治疗师来确定患者移动的意图对于FES疗法具有一些不足。一个这样的缺点在于存在如下的确定性减少，患者实际上尝试进行利用FES疗法所刺激的移动，或者患者实际上正在尝试移动；这使得中枢神经系统不确定性的加入。另一个缺点在于尝试与刺激的传递之间的时间，假设尝试正确的移动，与神经重塑相关联的神经运动恢复的重要方面可能落在最佳康复的延迟之外。

也已经做出如下尝试：开发有效的脑部计算机接口来感测患者的预期动作，并且利用修复设备来实现识别出患者的期望动作。然而，这些尝试的结果有限。

本发明的一个目的是减轻或避免上述缺点中的至少一个。

发明内容

一方面，提供了一种用于表征脑电信号的方法，包括形成信号的时间-频谱分解以形成多个时间分辨的频率信号值，将信号值的每个实例(instance)与接近神经系统信号的预定函数相关联，从而形成共同代表脑电信号的系数的表。

另一方面，提供一种用于基于用户的被记录意图来控制设备的方法，该方法包括：

a.根据在此所限定的方法来表征表示意图的脑电信号；以及

b.使得设备执行动作。

在一些示例实施例中，设备可以是机械臂、完全义肢、部分义肢、致动瘫痪肢体的神经康复或功能性电刺激(FES)设备、和矫形设备等。

在一些示例实施例中，使得步骤包括根据所记录的用户意图，将功能性电刺激(FES)治疗(或疗法)应用于用户从而触发特定的用户动作。

另一方面，提供了一种表征在人类活动期间所发出的脑电活动信号的方法，包括形成多个频率描述信号区段，并且针对每个信号区段，将其一个实例与接近神经信号的函数相关联，其中的神经信号与神经认知或神经肌肉(或神经系统)活动相关联，从而形成时间上的一系列相关值，并且形成相关值的时间对于频率的阵列；并且其中信号是脑电图(EEG)或皮质电图(ECoG)信号。

一些示例实施例可以包括根据预定的标准将二进制的一或零与每个相关值相关联。

一些示例实施例可以包括积累多个阵列，每个阵列针对多个重复人类活动的一个实例，并且针对阵列中的每个要素建立发生值。发生值可以是相对于预定阵列值的平均值或可能性测量。

另一方面，提供了在系统中的一种计算机实施的方法，用于通过检测和分析至少一个脑电信号的瞬态活动来创建脑活动的数值和可视化表示，所述方法具有存储于计算机可读介质中并且通过处理结构可执行的指令，使得所述处理结构至少：

a.形成信号的时间-频谱分解从而形成多个时间分辨的频率信号值；以及

b.将信号值的每个实例与接近神经系统信号的预定函数相关联，从而形成系数的时间频率表，该表代表此信号。

a.形成信号的时间-频谱分解从而形成多个时间分辨的频率信号值；

c.其中所述脑电信号是脑电图(EEG)或皮质电图(ECoG)信号。

在一些示例实施例中，脑电信号是运动前(pre-motor)信号。此外，脑电信号可以利用脑-计算机接口(BCI)进行检测和分析。脑-计算机接口可以包括电极阵列，该电极阵列具有用于放置在对象的预定位置的电极。

在一些示例实施例中，脑电信号包括表示预期神经认知或神经肌肉事件的数据。该数据可以与各自代表与神经认知或神经肌肉事件相关联的神经信号的已存储数据模板相关联，从而分别识别出预期神经认知或神经肌肉事件。

在一些示例实施例中，脑-计算机接口用于根据识别出的预期神经认知或神经肌肉事件，发出具有动作的一个或多个指令的信号输出，其中的预期神经认知或神经肌肉事件用于在预定时期内执行。

在一些示例实施例中，动作可以是通过真实的或虚拟的设备来实现。示例可以包括机械臂、完全或部分义肢、或矫形设备等，或者通过电刺激可执行的电刺激肢体。

另一方面，提供一种脑-计算机接口(BCI)，包括处理结构，该处理结构用于至少：

a.从对象接收脑电信号，信号包括表示预期的神经认知或神经肌肉事件的数据；

b.形成信号的时间-频谱分解从而形成多个时间分辨的频率信号值；

c.将数据与已存储的数据模板相关联，每个数据模板源于来自对象的模板脑电信号的时间分辨频率信号值并且代表模板神经认知或神经肌肉事件，从而识别预期的神经认知或神经肌肉事件；以及

d.根据识别出的在从输入脑信号的预定时间段内待执行的预期神经认知或神经肌肉事件，发出信号输出以及针对动作的一个或多个指令。

a)从对象接收第一脑电信号，该信号包括表示第一预期神经认知或神经肌肉事件的数据；

b)形成信号的时间-频谱分解从而形成针对第一预期神经认知或神经肌肉事件的多个时间分辨的频率信号值；

c)将数据与已存储的数据模板相关联，每个数据模板源于来自对象的模板脑电信号的时间-分辨频率信号值并且代表模板神经认知或神经肌肉事件，从而识别第一预期的神经认知或神经肌肉事件；以及

d)根据识别出的第一预期神经认知或神经肌肉事件，发出具有动作的一个或多个指令的信号输出，其中的第一预期神经认知或神经肌肉事件用于在从输入脑信号的预定时间段内待执行。

e)从对象接收第一脑电信号，该信号包括表示第二预期神经认知或神经肌肉事件的数据；

f)形成信号的时间-频谱分解从而形成针对第二预期神经认知或神经肌肉事件的多个时间分辨的频率信号值；

g)将数据与所存储的数据模块相关联，从而识别出第二预期神经认知或神经肌肉事件；以及

h)根据识别出的第二预期神经肌肉事件，发出具有动作的一个或多个指令的信号输出，其中的第二预期神经肌肉事件用于在从第二脑电信号的预定时间段内待执行。

在一些示例实施例中，动作可以包括神经康复、功能性电刺激(FES)动作、机械臂动作、义肢动作或矫形设备动作。

在一些示例实施例中，发出步骤在运动前阶段执行，并且在对应的神经认知或神经肌肉时间的运动阶段之前执行。

另一方面，提供一种与脑-计算机接口(BCI)一起使用的数据模板，该数据模板源于对象的脑电信号的时间-频谱分解的时间分辨频率信号值，代表神经认知或神经肌肉事件，从而分类针对动作的预期神经认知或神经肌肉事件。

在一些示例实施例中，动作包括真实动作或虚拟动作。真实动作可以包括神经康复、功能性电刺激(FES)动作、机械臂动作、义肢动作或矫形设备动作。

在一些示例实施例中，数据模板可以通过检测和分析至少一个运动前脑活动的瞬态活动来生成，诸如脑电图(EEG)或皮质电图(ECoG)脑信号。数据模板可以存储于具有多个其他数据模板的数据库中，并且其中通过比较与未分类的脑信号相关联的数据与所述数据模板来参考所述数据库从而识别未分类的脑信号。

另一方面，提供了一种用于表征与预期活动(IA)对应的脑电信号的方法，包括记录与IA的事件相关去同步化(ERD)信号，形成ERD信号的时间-频谱分解以形成多个时间分辨的频率ERD信号值，将信号值的每个实例与接近合成ERD信号的函数相关联，从而形成共同代表IA的系数的ERD表。

一些实施例可以包括累积多个ERD表，每个ERD表针对IA的一个实例。

一些实施例可以包括从针对IA的多个ERD表形成ERD的签名表示，该签名表示表征IA。

一些实施例可以包括将针对未表征的IA的ERD表与已表征IA的ERD签名相关联，从而确定未表征的IA是否是已表征IA的情况。

在一些示例实施例中，记录ERD信号的步骤可以包括，从一个或多个电极收集一个或多个信号，将一个或多个ERD表与对应的电极信号相关联。

一些实施例还可以包括从IA的多个ERD表形成已表征IA的ERD表。

一些实施例还可以包括针对多个已表征的IA形成比较ERD表。

一些实施例还可以包括记录与未表征的IA对应的ERD信号，并且形成针对其的ERD表。

一些实施例还可以包括针对多个连续时间值来记录与未表征的IA对应的ERD信号，并且针对每个时间值更新未表征IA的ERD表。时间值在一些情况下可以与重叠间隔对应，而其他情况下与非重叠时间间隔对应。

一些实施例还可以包括比较未表征IA的已更新ERD表与比较ERD表，从而确定未表征的IA是否是已表征IA的一个实例。

一些实施例还可以包括在确定未表征的IA是已表征IA的一个实例所需要的最小数量时间值之后，发出识别信号。

一些示例实施例还包括当完成预定的相关计数时，确定未表征的IA是已表征IA的一个实例，每个计数对应于已表征IA与未表征IA的ERD表的对应区段之间的相关性。

一些示例实施例还可以包括当已表征IA与未表征IA的ERD表的对应区段之间被记录最小距离时，提高计数。

一些实施例还可以包括比较未表征IA的ERD表与已表征IA的ERD表，从而确定未表征IA是否是已表征活动的实例。

在一些示例实施例中，识别信号的发出发生在与该IA对应的动作的运动前阶段期满之前。

一些示例实施例还包括响应于识别信号发出动作信号，启动与该IA对应的动作，并且在与该IA对应的动作的运动前阶段期满之前。

在一些示例实施例中，动作信号与运动前阶段的期满之间的持续时间是最小化和/或最优化的。

在一些示例实施例中，脑活动信号可以源于电信号、磁信号或化学信号。在电信号的情况下，脑活动信号可以是脑电图(EEG)或皮质电图(ECoG)信号。

另一方面，提供了一种用于基于所记录的用户ERD信号来控制用户设备功能的方法，该方法包括如文中所在此所限定的表征未表征的期望活动(IA)，并且根据已表征的IA发出信号以激活用户设备功能。

在一些示例实施例中，用户设备可以是机械臂、完全义肢、部分义肢或用户治疗设备、神经康复或功能性电刺激(FES)中的一者。

另一方面，提供了在系统中一种计算机实施的方法，该方法具有存储于计算机可读介质中并且通过处理结构可执行的指令，使得所述处理结构实现在此所限定的方法。

a.形成如在此所限定的ERD表；以及

b.发出信号输出用于激活用户设备功能。

另一方面，提供了一种与脑-计算机接口(BCI)一同使用的ERD模板，该ERD模板形成自在此所限定的一个或多个ERD表并且代表多个已表征的IA。

另一方面，提供了一种存储在非瞬态计算机可读介质上、与脑-计算机接口(BCI)一同使用的ERD模板，该ERD模板形成自在此所限定的一个或多个ERD表并且代表多个已表征的IA。

另一方面，提供了一种与脑-计算机接口(BCI)一同使用的ERD模板，该ERD模板形成自在此所限定的一个或多个ERD表并且代表神经认知或神经肌肉事件，从而将预期神经认知或神经肌肉事件进行分类。

上述方法和系统的一些示例实施例可以用于利用BIC，根据特定的行为来分类脑活动信号，诸如脑电图信号。例如，通过在关于特定行为的若干试验上重复上述方法步骤并且将所有试验的结果累积在单个直方图中能够生成一组模板。针对待分类行为中的每个行为生成一组模板。也能够将直方图中要素的大小与预定阈值进行比较，并且只将那些超出阈值的要素保持在它们实际的大小或者归一化的值。为了分类新的脑电图信号而实施上述步骤，并且对于基于距离的分类器，测量相关性直方图(针对分类的数据)与探测到的行为中的每个行为的相关性矩阵中的每个矩阵之间的距离。

有利的是，在一些示例实施例中，将BCI并入诸如FES疗法的应用中可以为具有非正常或不存在对侧神经系统活动的半生不遂患者提供另外的康复途径，其中BCI和FES组合平台从未受影响的同侧脑半球获得控制信号。在包括FES的一些示例实施例中，能够分类EEG信号的BCI允许FES所产生的运动与患者的运动期望一致。另外，FES可以在指定的内部刺激间隔内通过BCI自动触发，改善该疗法与成对相关联的刺激依赖可塑性所需要的条件的遵从，其中的成对相关联的刺激依赖可塑性管理运动皮质中的长时程增强(LTP)改变。作为示例，用于中风患者的BCI和FES平台能够操纵由损伤导致的非正常神经系统活动。因此，同侧(未损伤的)运动信号所控制的BCI如果与FES疗法配对，可以为对侧神经活动不足的患者提供解决方案。

另一方面，提供一种用于使能用户设备的系统，包括至少一个处理器，所述至少一个处理器用于运行至少一个计算机程序：

a)记录从与困难用户联系的输入接收到的事件相关去同步化(ERD)信号，针对一个或多个连续时间值的每个时间值，ERD信号与用户的未表征的期望活动(IA)对应，

b)对于每个时间值：

i.访问系数的比较ERD表，该系数的比较ERD表针对多个已表征IA，并且通过关联多个时间分辨频率ERD信号值与接近合成ERD信号的函数进行归一化而形成，

ii.比较未表征的IA的已更新ERD表与比较ERD表，从而确定未表征的IA是否是已表征IA的一个实例；以及

c)在确定未表征的IA是已表征IA的一个实例所需要的最小数量时间值之后，发出识别信号以激活用户设备。

在一些示例实施例，程序适合在完成预定的相关性计数时发出识别信号，每个计数对应于已表征IA与未表征IA的ERD表的对应区段之间的相关性。

在一些示例实施例，程序适合当已表征IA与未表征IA的ERD表的对应区段之间被记录最小距离时，提高相关性计数。

在一些示例实施例中，程序适合在与IA对应的动作的运动前阶段期满之前发出识别信号。

在一些示例实施例中，程序适合在与IA对应的动作的运动前阶段期满之前发出发起与IA对应的动作。

在一些示例实施例中，脑活动信号可以源于电信号、磁信号或化学信号。

在一些示例实施例中，脑活动信号是脑电图(EEG)或皮质电图(ECoG)信号。

在一些示例实施例中，处理器适合从多个操作定位的电极接收脑活动信号。在一些示例实施例中，处理器适合从单个操作定位的电极接收脑活动信号。

附图说明

现在只作为示例参考附图来描述本发明的一些示例实施例，其中：

图1是用于处理脑活动信号的示例系统的顶层组件架构示意图；

图2是示例性的基于EEG的BCI和FES系统的顶层组件架构示意图；

图3示出指示运动起始时输出电压的改变的传感器手套；

图4a、图4b、图4c、图4d、图4e和图4f示出六个不同的手部运动；

图5是可视化提示序列的示意图；

图6a示出捏抓运动的试验执行期间的原始EEG信号；

图6b示出来自图6a的试验执行的光学传感器；

图6c示出图6a的试验执行期间的传感器手套输出。

图7示出执行捏抓和手指伸展的手部运动之前、期间和之后通过EEG放大器所记录的来自传感器手套和光学传感器的示例信号；

图8a示出多次示例试验捏抓运动期间来自传感器手套的重叠手部运动数据；

图8b示出关于运动的起始进行对准之后，图8a中所示的多次示例试验捏抓运动期间来自传感器手套的相同的重叠手部运动数据。

图9示出说明用于分类示例性脑活动信号的示例过程步骤的高级流程图；

图10a和图10b是捏抓运动试验的24Hz EEG光谱分量与合成的ERD信号之间的互相关性的示例性曲线图；

图11提供示出时间和频率分量的九次捏抓运动试验的示例图表，其中互相性超出阈值；

图12示出了示出图12的30次捏抓运动的所有相关性数据的平均的直方图；

图13示出六次示例性运动的试验的示例性直方图(‘全入(all-in)’模板)；

图14示出通过针对捏抓的前五次试验的16和图15的图表所描述的过程；以及

图15示出用于表征ERD信号的示例方法。

具体实施方式

本发明的示例实施例的详细描述参考附带的框图和示意图，这些框图和示意图示出示例实施例作为说明以及最佳方式。虽然这些示例实施例被足够详细地描述使得本领域技术人员能够实践本发明，应当理解的是可以实现其他的实施例，并且在不脱离本发明的精神和范围的情况下可以做出逻辑和机械改变。因此，文中的详细描述只是为了说明而非限制的目的进行呈现。例如，在任何方法或过程描述中所述的步骤可以通过任何顺序来执行，而不限于所呈现的顺序。

此外，应当理解的是，在此所描述和示出的特定实施例是本发明及其最佳方式的说明，而不旨在通过任何方式来限制本发明的范围。事实上，为了简洁，个别操作组件的某些子组件、常规的数据联网、应用开发以及系统其它功能方面并未在此详细描述。而且，文中所包含的各个附图中示出的连线旨在表示各个元件之间的的示例功能关系和/或物理耦接。应当注意的是，在实际系统中可以呈现许多替换的或附加的功能关系或物理连接。

定义

为了便于理解本公开文本，下面将文中所使用的某些术语进行定义。如文中可互换使用，术语“功能性电激励疗法”和“FES疗法”是指患者有意识的努力移动肢体期间由治疗师进行的电刺激对于局部瘫痪肢体的透皮施加。FES系统的示例在题为“FUNCTIONALELECTRICAL STIMULATION DEVICE AND SYSTEM,AND USE THEREOF(功能性电刺激设备和系统及其使用)”的PCT申请PCT/CA2011/000637中进行描述，将其全部内容和主题作为参考并入文中。

如文中所使用，术语“脑活动”和“脑活动信号”是指通过脑部生成的可记录信号，其可以通过电极或者包括能够感测磁或化学活动的其他传感器进行记录。脑活动信号的示例包括脑电信号，脑电信号包括脑电图(EEG)，以及利用硬膜内和/或硬膜下的电极等无创记录的皮质电图(ECoG)。

如文中所可互换使用，术语“脑-计算机接口”和“BCI”是指允许其操作者利用脑部的活动来控制外围电子设备的平台。

如文中所使用，术语“事件相关去同步化”和“ERD”是指在运动计划和执行期间发生的脑活动信号(诸如，EEG信号(其他信号之中))中的能量降低。在EEG信号事件的情况下，虽然ERD特性也可以发生在其他频率或其他频率范围，但是ERD通常发生在α(8-12Hz)带和β(13-30Hz)带。“ERD信号”是指显示可测量的ERD的信号。

如文中所使用，术语“合成的ERD信号”是指如数学函数所定义的接近自然发生的ERD的波形。

图1示出示意性系统的最高级组件架构示意图，总体表示为参考标记10，用于利用基于EEG的BCI来检测和分类ERD信号的清晰频谱(频率)、瞬态(时间)或其他特征，尽管ERD信号也可以采用其他形式，诸如利用硬膜下和/或硬膜外的电极无创记录的皮质电图(ECoG)。参考图1至图3，在此情况下EEG信号形式的ERD信号是利用电极阵列12进行获取的，电极阵列12位于参与者的头部13上以感测脑部活动。戴在参与者手上的感应手套14包括用于检测神经肌肉事件起始的电阻式传感器，在此情况下产生手部运动。显示监视器16向参与者呈现可视化指示，而不引人注意地位于显示监视器16上的光学传感器18记录可视化指示从而在数据分析期间识别实验阶段。来自传感器手套14和光传感器8以及电极阵列12的信号利用放大器20(诸如，从美国北卡罗来纳州的神经扫描公司可获得的SynAmps RT EEG放大器)进行记录，并且作为输入提供给使用至少一个应用程序(诸如，从美国北卡罗来纳州的神经扫描公司可获得的CURRY 7采集软件)的采集计算机22。来自传感器手套14和光传感器18的信号也作为输入提供给采集计算机22。信号可以直接通过引线或者间接通过无线传输信号提供给采集计算机22。ERD信号被解译并且利用至少一个算法从其中提取某些特征，从而生成关于期望活动(IA)的期望的神经肌肉事件对应的ERD表或数据模板，从而包括用于身体部分(诸如，手臂、腿、手指和脚趾)的移动的肌肉和/或肌肉群的激励。这些特征通过将其与代表合成的ERD信号的函数相关联进行分类。ERD的主要特性在于它随时间而衰减或降低，这就意味着可操作地适合的功能包括随时间衰减或降低的函数，诸如非线性正切函数。然而，也可以使用包括线性函数的其他函数。在BCI和FES混合的系统30中，数据模板存储于模板数据库32中，通过采集计算机22查询该模板数据库23以向FES系统34发出带有一个或多个指令的信号数据。(FES系统34在其他示例实施例中可以被用户设备代替以执行动作，诸如机械臂、全义肢、部分义肢、矫形设备等。)在FES疗法的情况下，指令可以基于识别出的期望神经肌肉事件或IA，使得参与者执行特定的动作或影响治疗。

现在将描述使用上述装置，例如运动前EEG活动来分类特定手部运动的研究的示例实验方案。在研究中，与手部的特定活动对应的ERD信号的时间频谱表示，在此情况下是EEG信号，与代表合成ERD的函数相关联。可测量的ERD信号可以用于区分运动和休息状态。ERD信号的能量降低出现在运动计划和执行期间。这种能量的变化最主要地出现在脑部的中心区域，因此被认为与感觉运动皮层的活动相关。假设手部具有运动感觉图中最大的皮质表示之一，它提供可用于感测ERD信号的增强的EEG信号分辨率，其中的ERD信号的特征可以与代表性的合成ERD函数相关联。

招募十五个健康个体来参与该研究。在十五个参与者中，十四个人是惯用右手的，而六个人是女性。参与者的平均年龄是32岁。参与者是被唯一识别的，并且为了描述的目的，将参与者称之为参与者1、参与者2、参与者3直至参与者15。

带有八个电极的电极阵列12放置在参与者头上的如下EEG位点：C1、C2、C3、C4、CZ、F3、F4和FZ(根据电极放置的国际10-20系统)，如图2所示。在利用从美国科罗拉多州的韦弗公司(Weaver and Company)可购得的导电EEG膏布置电极之前，利用70％的异丙醇和从美国科罗拉多州的韦弗公司可购得的皮肤准备胶来准备所有电极位点，参考(链接耳垂)和接地(锁骨)。测量每个EEG位点出的阻抗，优选地阻抗的值小于10kΩ。从八个EEG电极阵列12检测到的信号通过高通滤波器，之后进行采样。在一个示例中，选择0.15Hz的截止频率和1kHz的采样频率。选择该采样频率是为了提升瞬时分辨率并且增加数据点的数量，因为可以在线下实施该信号分析方法。

参与者然后被告知穿上定制的传感器手套14，该传感器手套14利用电阻传感器检测手部运动的起始。图3示出指示运动起始时输出电压的变化的传感器手套14。光学传感器18放置于显示监视器16的左下角并用于记录可视指示，这些可视化指示对参与者隐瞒并且用于识别数据分析期间的实验的阶段。如上所述，利用放大器20和采集计算机22上运行的采集软件来记录来自八个EEG电极的信号，以及来自传感器手套14和光学传感器18的信号。

在阶段的开始，参与者被给予指令来执行六个不同的手部运动，包括：非功能性1运动(图4a)、手掌抓取(图4b)、非功能性2运动(图4c)、手指伸展(图4d)、捏抓(图4e)以及蚓状肌抓取(图4f)。这些运动是基于它们与中风后复健的相关性来选择的(即，手指伸展、捏抓、蚓状肌和手掌抓取)，而两个非功能性抓取旨在为研究提供额外的测试情况。

在每次试验中，参与者在特定时间间隔内执行特定的六个手部运动中的一个。呈现在显示器16上的包括“准备”、“开始”、“停止”的可视化指示用于指示针对该参与者的试验的阶段，如图5所示，并且在开始实验之前向参与者解释它们的含义。(图5表示分别利用图4d和图4b的分开活动的示例。)例如，在每次试验的开始，参与者被告知放松10秒，同时集中于如图5a所示的白色固定十字。该间隔的目的是为了允许参与者集中在实验上并且摆脱外界或环境的干扰。跟随放松间隔，在预定时间段内向参与者呈现预定序列的可视化标志。例如，在时间1.0到3.5秒所呈现的黄色圆圈(通过图5b中的剖面线标记来表示)，向参与者指示将要呈现手部运动。接着，在3.5到5.0秒呈现待执行的手部运动的图片(图5c)，随后是在5.0到7.0秒呈现的黑屏(图5d)。接着，在7.0到7.5秒呈现绿色圆圈(通过图5e中的剖面线标记来表示)，指示将要执行手部运动，随后在7.5到9.5秒手部运动的执行期间呈现黑屏(图5f)。最后，在9.5秒到10.0秒呈现红色圆圈(通过图5g中的剖面线标记来表示),指示参与者放松手部。针对所述手部运动执行该序列。

为了最小化参与者的疲劳，全部的实验时间被分为三个6分钟的试验，跟随的是三个5分钟的实验，其中六个手部运动以随机顺序进行呈现。由于参与者的疲劳通常随着实验的持续而增加，所以首先完成三个较长的实验(6分钟)。给每个参与者在每个实验之间进行休息的机会。

除了在分开的阶段利用他们的非支配手重复实验的四个参与者之外，参与者利用他们的自我识别出的支配手完成手部运动。通常，期望在支配手运动期间所收集到的EEG数据包含更可辨别的分类特征，因为支配手相对非支配手具有更大的感觉运动表示。从利用其支配手的参与者所收集到的数据用于测量针对该研究所开发的信号分析方法的鲁棒性。在两种情况下，(支配手或非支配手实验)，每六次运动平均执行30次；这样的采样大小允许所要报告的成功的运动分类在置信区间约+/-18％和置信度95％内。

如上所述，当每个参与者执行每个上述手部运动时，来自具有位于EEG位点：C1、C2,C3、C4、CZ、F3、F4以及FZ的八个EEG电极的电极阵列的信号被记录。在传感器手套14检测手部运动类型的同时，光学传感器18记录指示实验阶段和示出的手部运动的类型两者的系列可视化指示。图6b示出光学传感器18的输出。图6c示出执行捏期间的传感器手套14的输出。因为六个手部运动中的每一个都是清晰的，传感器手套14的输出对于每个运动是特有的，因此其中参与者执行错误抓取的任何测试被直观地识别并从数据中排除。图6b示出了与参与者正在观看待执行的手部运动的时间对应的记录在-3.5和-2秒之间的电压的增加。在该图中所示的第二电压增加对应于当参与者接收指令以执行规定的手部运动(图5中的绿色圆圈)时的时间。

图7示出了在实验期间，在执行规定的手部运动之前和执行所述规定的手部运动，即捏抓运动(行1至行3中)和手指伸出手运动(行4至行6中)期间由EEG放大器20记录的示例性信号。图8a示出了传感器手套14的输出的曲线图，其中叠加了30个试验的曲线(虚线表示平均值)。图8b显示了对准后的相同数据，如下所述。从图8b可以看出，图表中，通过在0秒开始的电压降低来表示手的运动开始。因此，如图7所示，从光学传感器18的输出和传感器手套14的输出两者清楚的是，如参照图5所述，手部运动在看到绿色圆圈后不久执行被执行，指示参与者执行规定的手动。

将收集的EEG数据输入到在采集计算机22上运行的应用程序，该程序可从美国马塞诸塞州纳迪克的矩阵实验室(MathWorks)获得。应用程序包括编码指令，以消除不正确的运动或未执行运动的试验。如前所述，使用传感器手套14和光学传感器18来确定预期和执行的运动类型。执行正确运动的试验根据运动进行分组，并与运动的开始对准。图8a示出了在对准之前实验期间由参与者佩戴的传感器手套14的手部移动数据，图8b示出了对准之后的相同数据。术语“对准”是指识别特定地标的过程，在该示例中，传感器手套14的传感器中的电压的变化指示运动的开始，然后移动信号，使得该事件在每个曲线中，与常见的时间示例对准。这使得地标之前的数据能够成为用于曲线分析目的运动前活动，并且使得地标之后的数据成为在运动开始之后。在这种情况下，这使得能够在运动开始之前对运动前活动提供相同数量的数据。在图8b的示例中，曲线图与对应于第4000个样本的所得到的“对准”信号的第四秒时间段定义的地标“对准”。提取每个试验的七秒进行进一步分析，包括运动前4秒和运动开始后3秒。

按照图9的流程图所示的示例性方法步骤来表征EEG信号。

在步骤100中，在每个数据集的初步分析期间，利用具有长度为256的示例性汉明窗口，50％的重叠和1Hz到50Hz之间的频率为1Hz的分辨率的快速傅立叶变换来执行每个试验的时间频谱分解，导致待分析的信号的频谱(时间-频率)表示，例如72×50(时间-频率)矩阵(频谱图)。

接下来，在步骤102中，使用移动平均滤波器(例如，窗口大小为10)对数据集中的每个时间分辨频率分量(从1Hz到50Hz)进行归一化和平滑。

随后确定类似于天然发生的ERD事件的一般形态的合成ERD功能以提供合成ERD信号，并使用双曲正切函数表示：

ERD_syn＝-(tanh(4x)/3) (公式4.1)

公式4.1近似于自然发生的ERD事件的一般形态，其特征在于在自主运动之前和期间的α(10-12Hz)和β(13-25Hz)的离散频带内的EEG的功率降低。

接下来，在步骤104中，计算出每个时间分辨频谱分量与合成ERD函数之间的互相关，以产生具有相关值的矩阵(频谱分量对于时间实例)。例如，利用以下示例性方程来确定从1到50Hz的每个时间分辨频率信号与ERD的合成表示之间的互相关系：

其中R指的是合成ERD信号(ERD_syn)和时间分辨频率信号(f_i)之间的互相关系数矩阵，其中对于每个时间实例j∈[1，2，...，50]，i∈[1，2，...，20]。C(ERD_syn，f_j)是两个信号ERD_syn和f_j之间的协方差；C(ERD_syn，ERD_syn)是ERD信号的方差，而C(f_j，f_j)是时间分辨光谱分量的方差。方程4.2应用于每个时间分辨光谱分量的段，其长度为20个数据点，在运动开始之前的20个实例，在19个数据点的段之间具有重叠。从1到20的每个时间段实例对应于如表1所示的运动开始之前的时间。为了更清楚，图10a和10b示出了应用互相关的所有实例。在这种情况下，EEG信号(实际上包含最多的信息，因此与检测过程最相关)的向下斜率的大部分是运动开始之前。图10b显示了方程4.2对于所有20个时间间隔的应用，对于在捏抓期间所记录的23Hz平滑和归一化的时间分辨光谱分量(以黑色墨水表示)，其中在0秒发生移动开始。以实线表示的是其中计算互相关系数的合成ERD信号的多个实例。

在步骤106中，根据以下标准对每个互相关计算序列的结果进行阈值处理：

对于R_i，j≥n，G(_i，j，k)_n＝1且对于R_i，j＜n，为0；i∈[1 20]，j∈[1 50]，

k＝试验数量 (公式4.3)

其中G_n包含超过特定阈值的相关性的二进制值：n＝[0.6,0.65,0.7,0.75,0.8,0.85,0.9]。

图11显示当对于来自一个参与者的C3所记录的EEG活动应用阈值处理过程时，前9次捏抓和合成ERD信号的重要交叉相关性(r>0.8和p<0.05)的分布。白色区域表示当每个时间分辨频率信号与合成ERD之间的相关性超过阈值(例如0.8)时运动开始之前的时间，而黑色区域表示小于阈值的相关值。利用指定的每个阈值针对每个试验完成此过程。可预见的是，较低的阈值导致白色区域增加，而较高的阈值含有较少的白色区域。

对于每个抓捏，对于矩阵中的每个位置计算平均值(步骤108)。图12显示了“全入”模板，其中对于从F3位置记录的捏抓的30次试验，具有所有相关数据的平均值高于阈值为0.8(“全入”模板)。较暖的颜色(W)代表较高的显着相关面积的发生率，较冷的颜色(C)代表较低的显着相关的发生率。(如本文所用，“全入”模板因为它们包括平均每次试验而如此命名。

对于单个电极位点，每个参与者具有六个“全入”模板(每个手部运动一个)，如图13所示；共有42个“全入”模板。在图13中，较暖的颜色(W)代表较高的显着相关面积的发生率，较冷的颜色(C)代表较低的显着相关的发生率。接下来，通过迭代地消除一个试验并计算剩余试验的平均值来创建“除一(one-out)”模板；对于执行30次的抓取，29个“除一”模板；针对每个阈值生成20×50×29(时间实例-频率-试验次数)张量。

上述过程可用于根据具体行为对脑活动信号进行分类。这可以通过在相同行为下通过在多个试验重复步骤100至108并在单个直方图中累积所有试验的结果来生成一组模板来实现。对于待分类的每个行为重复该过程，并且将模板存储在模板数据库24中。也能够将直方图中要素的大小与阈值进行比较，并且将那些超出阈值的要素保持在它们实际的大小或者归一化的值。

新的脑活动信号可以通过应用步骤100到步骤108进行分类，并且对于基于距离的分类器，可以测量针对待分类的数据的相关性直方图(步骤108)与探测到的行为中的每个行为的相关性矩阵中的每个矩阵之间的距离(欧几里德或者任何其他适合的定义)。下面更详细地描述示例的方法。

特定运动的“全入”模板(图12)与不同(未表征)运动的单独试验(图11)之间的欧几里德距离可以用作两个运动之间的相似性的量度。例如，利用来自单个电极部位的数据和相关阈值，第一次试验的捏抓(抓取1)与非功能1运动(抓取2)的所有试验的平均值之间的距离看可以利用以下等式计算：

并且N_NF1＝执行非功能性运动的试验数量

(公式4.4)

其中D(Λi，Λj)_1，2是包含第一次捏抓试验的每个元素之间的距离的数值的矩阵，G(i，j，1)₁以及非功能1运动的所有试验的平均值。然后，将方程4.4应用于捏抓的第一次试验和包括蚓状肌抓取、手指伸展、非功能性2运动以及手掌抓取的剩余其余四项运动的每次“全入”平均值。当将个别试验与个别运动的模板进行比较时，使用“除一”模板，使得待分类的个别试验不包括在用于创建“除一”模板的平均值中。

例如，在前述实验方案中，当计算捏抓的试验1与该运动的试验的平均值之间的距离时，使用以下等式：

i∈[1，...，20]，j∈[1，...，50]

并且N_Pinch＝执行捏抓的试验数量

(公式4.5)

其中D(Λi，Λj)_1，1是包含捏抓的第一次试验的每个元素之间的距离的数值(G(i，j，1))的矩阵以及移除试验1的所有试验的平均值(G(i，j，k)₁)。公式4.4和4.5的结果组装在20×50×6张量中，其包含捏合的试验1与所有其它运动之间的数值距离。接下来，该张量是沿着第二维加和(指的是分析中包含的频率：1-50Hz),生成20x6矩阵。然后识别每个时间实例的最小非零值，并分配值1，所有其他条目赋值为0。例如，表2示出了在移动之前的每个时间间隔，捏抓试验的试验1与每个另外的捏抓的“全入”模板之间计算出的距离的实际值(表2的3-7)，以及捏抓的试验1与捏抓的“除一”模板之间计算出的距离的实际值(表2的列2)。表3表示数据的二进制版本，其中每行超过最小距离的值被分配值1，并且所有其他距离被赋予值0。

表3中所示的表中的零值被排除在最小条目的计算之外，因为这些实例指示减去两个零值，这意味着两个实例都不会导致与设定阈值之上的合成ERD相关的值(公式4.3)。标记为“捏”(突出显示)的列中的1的条目指示当捏合试验1相对于剩余抓取的平均值与捏抓的平均值具有最小距离时的时间间隔。

然后将该过程应用于捏抓的每个试验，得到N_Pinch×20×6矩阵。然后计算被认定为具有与捏抓最小距离的所有捏抓试验的百分比。图14说明了表2和表3中针对捏抓的前五个试验所描述的过程，其中白色区域表示在每个时间间隔处捏抓的试验1之间具有最小距离的运动。图14中显示其中六个运动中的每一个被识别为具有最小距离的所有捏取试验的百分比。较浅颜色的区域是指与运动距离最小的捏取试验的较高比例，较暗颜色的区域代表较低的百分比。最后，选择了包含所有时间间隔的最大百分比的运动来对运动进行分类。在图14所示的示例中，最大百分比由椭圆表示；出现在第一列中，其被指定为捏抓，在运动开始之前的1.56至0.88秒的时间间隔内具有最大值为71％。换言之，对于该参与者，在该指定时间间隔内，利用该特定电极和相关阈值，71％的试验中正确地将捏抓进行分类。为了完成捏抓的分类，对于每个电极位点(C1、C2、C3、C4、CZ、F3、F4和FZ)以及每个相关阈值(0.60、0.65、0.70、0.75、0.80、0.85和0.90)重复本节所述的相同过程，生成56个矩阵(8个电极位点×7个阈值)。最终，选择在56个矩阵中实现的最高分类百分来对于运动进行分类。剩余的运动使用相同的过程进行分类。

图15示出了用于表征对应于预期活动(IA)的脑活动信号的方法120的示例性实施例。在此情况下，方法步骤在T＝To之前进行，即在IA之后表示运动事件的时间。首先，在122，根据本文提及的一个或多个示例的方法或方案，对于多个特征化预期活动(CIA)访问ERD表。

接下来，在124，在给定的T＝T1，针对未表征的预期活动(UCIA)记录ERD信号。在步骤126，针对T1的UCIA更新ERD表。在128,当UCIA与CIA的ERD表的对应区段之间被记录最小距离时，提高每个CIA的相关性计数。接下来，在130，将所有相关计数与预定的最小计数阈值进行比较，如果没有计数超过阈值，则在132，接收ERD信号用于下一时间增量。如果任何一个计数超过阈值，则在134，UCIA被确定为与阈值超过计数相对应的CIA，并且在136，在T＝To之前发出激活信号。

步骤132、136和136可以实时地执行，即在运动前的时间段内，即在IA信号被接收的时刻与对应于IA的动作将要进行的时刻。这意味着，根据IA的性质，IA信号和激活信号的接收之间所需的实际处理可以从接收的ERD信号到下一个信号变化。例如，在能够检测90度运动和45度运动之间的差异的系统中，用于在90度路径中移动手指的ERD信号可能需要更多的时间间隔以实现最小相关性，因为系统是评估两者的ERD信号的非常微小的差异。相比之下，如果系统仅能够记录手指本身并且不足够细致以区分不同的手指移动，则可以在相对较短的时间段内实现最小相关计数，当它在例如手指移动与书写之间进行区分时动作。此外，步骤可以以批格式进行，即它们可以承载给定数量的时间间隔，其可以被设置为从一个分析到下一个分析保持不变。

由于用于运动分类的EEG数据仅限于运动前活动，所以示例性实施例可以用于以合理的准确度来区分和预测待执行的手部运动。

在示例性实施例中，每个试验的分类所需的分析可以仅应用于在预期活动(IA)之前记录的EEG数据，例如参与者的手部运动。运动前的间隔可以在运动之前的2.5秒至0秒的范围内，并且可以被分割成若干离散的时间步长，例如在上述示例中的20。可以在每个时间步长评估被分类为六个运动中的每一个的试验百分比，然后可以选择最高百分比来对运动进行分类。在某些情况下，可以在早至运动之前的1.5秒观察到预期的活动，尽管在线、同步、BCI和FES应用中的处理速度可以在适当的情况下具有适当的处理速度(例如0.3秒或更短附近)，示例性方法可以用于及时检测和分类ERD信号，从而经由通过FES触发适当的响应。因此，本发明的示例性方法和系统可以为了运动训练的目的被部署为刺激操作者的意志性手部运动；如前所述，这种方法可能成功地恢复具有偏瘫的中风患者的手部运动控制。换句话说，本文中示例的方法和系统可以用于表征预期活动，并且在真实或虚拟环境中的在最佳启动时间或附近触发针对FES治疗步骤的动作或用户设备中的另一动作的动作，如可以根据适用于该应用的条件进行配置。因此，示例方法和系统可以用于使得根据诸如假体、矫形器、外骨骼、机器人或其他自动化装置等中可能发生的操作延迟的因素，动作信号与相关动作的运动前阶段的期满之间的持续时间被最小化和/或优化在，其可以用于执行预期动作的表示，或者为此操作地模拟预期的动作。例如，一些设备可能需要一段延迟时间用于在动作之前的准备就绪状态。此外，一些用户可能会遇到由某些脑功能限制条件引起的运行延迟。

在上述示例性方案中，在参与者中每个试验成功分类的平均时间，对于支配手在运动之前的0.3秒至2秒之间；对于非支配手在0.3秒至1.4秒。在某些情况下观察到ERD信号，并且预期的活动分类为早至运动前的1.5秒，并且在一个实例中实时监测到平均在移动之前0.62秒。在上述示例性方案中，使用最多的8个EEG电极，其可以本质上小于其它现有方法，这些其他现有技术可能需要实质上更多的电极并且不适于利用运动前活动来分类不同的手部运动。因此，八个EEG电极的使用，使其在临床环境中更可行。也就是说，在一些示例性实施例中，可以利用来自单个电极的数据来实现可操作的结果。

在示例性实施例中，可以根据包括手部运动的类型以及电极的空间位置的这些变量来选择对于每个参与者或一组参与者是唯一的一组参数。在另一个示例性实施例中，可以采用上述方法和系统来创建具有高通信吞吐量的非侵入式脑-计算机接口(每个可识别行为表示用户可用的不同命令)。

在另一个示例性实施例中，如果用于控制设备以促进瘫痪或不存在的肢体的移动(例如，功能性电刺激器)，可以采用上述方法和系统来创建具有高等级的交互透明度的脑-计算机接口。

在又一个示例性实施例中，可以使用上述方法和系统来增强在患者尝试运动几秒之后利用人造/外部手段(诸如，功能性电刺激治疗)促进瘫痪肢体移动的治疗方法。例如，上述方法和系统可以通过以下方式来改善这些疗法：1)通过仅进行脑信号分析通过识别移动的意图来触发装置来产生运动，2)促进特定的预期运动，3)提供装置以确保患者实际上正在尝试移动，以及4)触发该装置在生理实际的延迟期内产生运动。

在另一个示例性实施例中，可以使用上述方法和系统来形象化脑活动，例如通过进行短期神经系统事件的分析，这可能导致与行为和其他神经生理学相关的新特征的发现和表征。因此，上述方法和系统可以被集成到用于脑活动分析的新的或现有的商业软件中。

在另一个示例性实施例中，基于识别脑电图(和潜在的皮质电图)信号中的瞬时事件的能力，上述方法和系统可用作神经系统条件的筛选和/或诊断工具。因此，上述方法和系统可以被集成到用于分析脑活动的新的或现有的商业软件中。

在另一示例性实施例中，可以采用上述方法和系统来为不能够可靠地使用当前辅助装置的患者创建访问方法。所产生的辅助技术如果预期和执行的动作精确地或至少在操作上对应，则可以具有高度的透明度，和/或可以提供比当前可能的更多的选项。

在一些示例实施例中，脑活动信号可以是皮质电图(ECoG)信号。

虽然上述方法和系统已经根据人类描述，但是这些方法和系统适用于动物。

本发明的示例实施例的前述详细描述参考作为说明示出示例性实施例的附图。虽然这些示例实施例被足够详细地描述使得本领域技术人员能够实践本发明，应当理解的是可以实现其他的实施例，并且在不脱离本发明的精神和范围的情况下可以做出逻辑和机械改变。例如，在任何方法或过程描述中所述的步骤可以以任何顺序来执行，而不限于所呈现的顺序。此外，根据需要可以使用一个或多个服务器来实施本发明。因此，仅出于说明而不是限制的目的来呈现前面的详细描述，并且本发明的范围由关于所附权利要求的前述描述来限定。

表1

表2

表3

Claims

1.一种用于表征脑电信号的方法，包括形成信号的时间-频谱分解以形成多个时间分辨的频率信号值，将所述信号值的每个实例与接近神经系统信号的预定函数相关联，从而形成共同代表所述脑电信号的系数表。

2.根据权利要求1所限定的方法，其中所述脑电信号对应于预定的预期活动，进一步包括累积多个表，每个表针对多个重复活动的一个实例，并且针对表中的每个元素建立发生率值。

3.根据权利要求2所限定的方法，其中所述信号是脑电图(EEG)或皮质电图(ECoG)信号。

4.一种用于基于用户的被记录意图来控制设备的方法，所述方法包括：

a.根据权利要求1至3所述的方法，对于表示意图的脑电信号进行表征；以及

d.使得所述设备执行动作。

5.根据权利要求4所述的方法，其中所述设备是机械臂、完全义肢、部分义肢、致动已瘫痪肢体的神经康复或功能性电刺激(FES)设备、以及矫形设备。

6.根据要求要求4或5所限定的方法，其中使得步骤包括根据所记录的意图，对于用户应用功能性电刺激(FES)治疗，以触发特定的用户动作。

7.一种表征在人的活动之前所发射的脑电活动信号的方法，包括形成多个频率描述的信号区段，并且针对每个信号区段，将其一个实例与接近神经信号的函数相关联，其中的神经信号关联于神经认知或神经肌肉活动，以形成时间上的一系列相关值，并且形成相关值的时间对于频率的阵列；并且其中所述信号是脑电图(EEG)或皮质电图(ECoG)信号。

8.根据权利要求7所限定的方法，进一步包括根据预定的标准将二进制的一或零与每个相关值相关联。

9.根据权利要求7或8所限定的方法，包括累积多个阵列，每个阵列针对多个重复的人类活动的一个实例，并且针对阵列中的每个要素建立发生率值。

10.根据权利要求9所限定的方法，其中所述发生率值是相对于预定阵列值的平均值或可能性测量值。

11.一种系统中的计算机实施的方法，用于通过检测和分析至少脑电信号的瞬态活动来创建脑活动的数值和可视化表示，所述方法具有存储于计算机可读介质中并且通过处理结构可执行的指令，使得所述处理结构至少：

b.将信号值的每个实例与接近神经系统信号的预定函数相关联，从而形成系数的时间频率表，该表共同代表此信号。

12.一种在系统中的计算机实施的方法，用于通过检测和分析至少脑电信号的瞬态活动来创建脑活动的数值和可视化表示，所述方法具有存储于计算机可读介质中并且通过处理结构可执行的指令，使得所述处理结构至少：

b.将信号值的每个实例与接近神经系统信号的预定函数相关联，从而形成系数的时间频率表，该表共同代表此信号；以及

c.其中所述脑电信号是脑电图(EEG)或皮质电图(ECoG)信号。

13.根据权利要求12所述的方法，其中所述脑电信号是运动前信号。

14.根据权利要求12或13所述的方法，其中所述至少一个脑电信号是利用脑-计算机接口(BCI)进行检测和分析的。

15.根据权利要求12至14中的任一项所述的系统，其中所述脑-计算机接口(BCI)包括电极阵列，所述电极阵列具有用于放置在对象上的预定位置的电极。

16.根据权利要求12至15中的任一项所述的系统，其中所述至少一个脑电信号包括表示所预期的神经认知或神经肌肉事件的数据。

17.根据权利要求16所述的系统，其中所述数据与所存储的每个代表神经事件的数据模板相关联，从而分别识别预期的神经认知或神经肌肉事件。

18.根据权利要求14至17中的任一项所述的系统，其中所述脑-计算机接口(BCI)用于根据识别出的在预定时期内执行的预期神经认知或神经肌肉事件，发出信号输出，该信号输出具有针对行动的一个或多个指令。

19.根据权利要求18所述的系统，所述行动通过真实或虚拟的设备来执行。

20.根据权利要求18所述的系统，所述行动通过机械臂、完全或部分义肢、矫形设备来执行，或者通过由电刺激可执行的电刺激肢体来执行。

21.一种脑-计算机接口(BCI)，包括处理结构，所述处理结构用于至少：

a.从对象接收脑电信号，所述信号包括表示期望的神经认知或神经肌肉事件的数据；

c.将数据与所存储的数据模板相关联，其中每个数据模板源于来自对象的模板脑电信号的时间分辨频率信号值并且代表模板神经认知或神经肌肉事件，从而识别期望的神经认知或神经肌肉事件；以及

d.根据识别出的预期神经认知或神经肌肉事件，发出带有一个或多个指令的信号输出用于动作，所述预期神经认知或神经肌肉事件将要在从输入脑信号的预定时间段内执行。

22.一种脑-计算机接口(BCI)，包括处理结构，所述处理结构用于至少：

a.从对象接收第一脑电信号，所述信号包括表示第一预期神经认知或神经肌肉事件的数据；

b.形成信号的时间-频谱分解从而形成针对第一预期神经认知或神经肌肉事件的多个时间分辨的频率信号值；

c.将数据与所存储的数据模板相关联，每个数据模板源于来自对象的模板脑电信号的时间分辨频率信号值并且代表模板神经认知或神经肌肉事件，从而识别第一预期的神经认知或神经肌肉事件；

d.根据识别出的第一预期神经认知或神经肌肉事件，发出带有一个或多个指令的信号输出用于动作，所述第一预期神经认知或神经肌肉事件将要在从输入脑信号的预定时间段内执行；

e.从对象接收第一脑电信号，该信号包括表示第二预期神经认知或神经肌肉事件的数据；

f.形成信号的时间-频谱分解，从而形成针对第二预期神经认知或神经肌肉事件的多个时间分辨的频率信号值；

g.将数据与所存储的数据模块相关联，从而识别出第二预期神经认知或神经肌肉事件；以及

h.根据识别出的第二预期神经认知或神经肌肉事件，发出带有一个或多个指令的信号输出用于动作，所述第二预期神经认知或神经肌肉事件将要在从输入脑信号的预定时间段内执行。

23.根据权利要求21或22所限定的BCI，所述动作可以包括神经康复或功能性电刺激(FES)动作、机械臂动作、义肢动作或矫形设备动作。

24.根据权利要求21至23中任一项所限定的BCI，其中发出步骤在运动前阶段并且在对应的神经认知或神经肌肉事件的运动时期之前执行的。

25.一种与脑-计算机接口(BCI)一起使用的数据模板，所述数据模板源于来自对象并且代表神经认知或神经肌肉事件的脑电信号的时间-频谱分解的时间分辨频率信号值，从而将预期神经认知或神经肌肉事件进行分类用于动作。

26.根据权利要求25所限定的数据模板，所述动作包括真实动作或虚拟动作。

27.根据权利要求26所限定的数据模板，所述真实动作包括神经康复或功能性电刺激(FES)动作、机械臂动作、义肢动作或矫形设备动作。

28.根据权利要求25至27中的任一项所述的数据模板，其中所述数据模板通过检测和分析诸如脑电图(EEG)或皮质电图(ECoG)脑信号的至少一个运动前的脑活动的瞬态活动来生成。

29.根据权利要求25至28中的任一项所述的数据模板，其中所述数据模板存储于具有多个其他数据模板的数据库中，并且其中通过比较与未分类的脑信号相关联的数据与所述数据模板来参考所述数据库从而识别未分类的脑信号。

30.一种用于表征与期望活动(IA)对应的脑电信号的方法，包括记录IA的事件相关去同步化(ERD)信号，形成ERD信号的时间-频谱分解以形成多个时间分辨的频率ERD信号值，将ERD信号值的每个实例与接近合成ERD信号的函数相关联，从而形成共同代表IA的系数的ERD表。

31.根据权利要求30所限定的方法，进一步包括累积多个ERD表，每个ERD表针对IA的一个实例。

32.根据权利要求30所限定的方法，进一步包括从用于IA的多个ERD表，形成表征所述IA的ERD的签名表示。

33.根据权利要求32所述的方法，进一步包括将针对未表征IA的ERD表与已表征IA的ERD签名相关联，从而确定未表征IA是否是已表征IA的一个实例。

34.根据权利要求30至33中任一项所述的方法，其中记录ERD信号的步骤包括，从一个或多个电极收集一个或多个电极信号，将一个或多个ERD表与对应的电极信号相关联。

35.根据权利要求30至34中任一项所述的方法，进一步包括从IA的多个ERD表，形成已表征IA的ERD表。

36.根据权利要求30至35中任一项所述的方法，进一步包括针对多个已表征IA，形成比较ERD表。

37.根据权利要求36所述的方法，进一步包括记录与未表征的IA对应的ERD信号，并且形成针对其的ERD表。

38.根据权利要求37所述的方法，进一步包括针对多个连续时间值来记录与未表征IA对应的ERD信号，并且针对每个时间值来更新未表征IA的ERD表。

39.根据权利要求38所述的方法，其中所述时间值对应于重叠的或非重叠的时间间隔。

40.根据权利要求36至39所述的方法，进一步包括比较未表征IA的已更新ERD表与所述比较ERD表，从而确定未表征的IA是否是已表征IA的一个实例。

41.根据权利要求36至40所述的方法，进一步包括在确定未表征IA是已表征IA的一个实例所需要时间值的最小数量之后发出识别信号。

42.根据权利要求36至40所述的方法，进一步包括当完成预定的相关性计数时，确定未表征IA是已表征IA的一个实例，每个计数对应于已表征IA与未表征IA的ERD表的对应区段之间的相关性。

43.根据权利要求42所述的方法，进一步包括当已表征IA与未表征IA的ERD表的对应区段之间被记录最小距离时，将相关性计数提高。

44.根据权利要求36至43所述的方法，进一步包括比较未表征IA的ERD表与已表征IA的ERD表，从而确定未表征IA是否是已表征活动的情况。

45.根据权利要求41至44任一项所述的方法，其中所述识别信号的发出发生在与所述IA对应的动作的运动前阶段期满之前。

46.根据权利要求45所述的方法，进一步包括响应于所述识别信号发出动作信号，启动与所述IA对应的动作，并且在与所述IA对应的动作的运动前时期期满之前。

47.根据权利要求45或46所述的方法，其中所述动作信号与所述运动前时期期满之间的持续时间是最小化和/或最优化的。

48.根据权利要求30至47中的任一项所述的方法，其中所述脑活动信号源于电信号、磁信号或化学信号。

49.根据权利要求30至48中的任一项所限定的方法，其中所述脑活动信号是脑电图(EEG)或皮质电图(ECoG)信号。

50.一种用于基于所记录的用户ERD信号来控制用户设备功能的方法，所述方法包括根据权利要求28至49中的任一项来表征未表征的期望活动(IA)，并且根据已表征的IA发出信号以激活用户设备功能。

51.根据权利要求50所述的方法，进一步包括在ERD信号的运动前时期激活所述用户设备。

52.根据权利要求50或51所述的方法，其中所述用户设备是机械臂、完全义肢、部分义肢或者用户治疗设备、致动瘫痪肢体的神经康复或功能性电刺激(FES)设备、矫形设备、或者虚拟活动设备。

53.根据权利要求52所述的方法，其中所述用户治疗设备是功能性电刺激(FES)治疗设备。

54.一种在系统中的计算机实施的方法，所述方法具有存储于计算机可读介质中并且通过处理结构可执行的指令，使得所述处理结构实现权利要求30至53中任一项所述的方法。

55.一种脑-计算机接口(BCI)，包括处理结构，所述处理结构用于至少：

形成权利要求30到53中的任一项所述的ERD表；以及

发出信号输出用于激活用户设备功能。

56.一种用于与脑-计算机接口(BCI)一同使用的ERD模板，所述ERD模板形成自权利要求30至53所述的一个或多个ERD表并且代表多个已表征IA。

57.一种存储在非瞬态计算机可读介质上的ERD模板，用于与脑-计算机接口(BCI)一同使用，所述ERD模板形成自权利要求30至53中任一项所述的一个或多个ERD表并且代表多个已表征IA。

58.一种用于与脑-计算机接口(BCI)一同使用的ERD模板，所述ERD模板形成自权利要求30至53中任一项所述的一个或多个ERD表并且代表神经认知或神经肌肉事件，从而将预期神经认知或神经肌肉事件进行分类。

59.一种用于使能用户设备的系统，包括至少一个处理器，所述至少一个处理器用于运行至少一个计算机程序：

a.记录从与困难用户进行通信的输入接收到的事件相关去同步化(ERD)信号，对于一个或多个连续时间值的每个时间值，ERD信号与用户的未表征的期望活动(IA)对应，

b.对于每个时间值：

i.访问系数的比较ERD表，所述比较ERD表针对多个已表征IA并且通过关联多个时间分辨的频率ERD信号值与接近合成ERD信号的函数进行归一化而形成，

ii.比较未表征IA的已更新ERD表与所述比较ERD表，从而确定未表征的IA是否是已表征IA之一的实例；以及

c.在确定未表征的IA是已表征IA的一个实例所需要的最小数量时间值之后，发出识别信号以激活所述用户设备。

60.根据权利要求59所述的系统，其中所述程序适合于在完成预定的相关性计数时发出识别信号，每个计数对应于已表征IA与未表征IA的ERD表的对应区段之间的相关性。

61.根据权利要求60所述的系统，其中所述程序适合于当已表征IA与未表征IA的ERD表的对应区段之间被记录最小距离时，提高所述相关性计数。

62.根据权利要求59至61中的任一项所述的系统，其中所述程序适合在与所述IA对应的动作的运动前时期期满之前发出识别信号。

63.根据权利要求59至62中的任一项所述的系统，其中所述程序适合发起与所述IA对应的动作，并且在与所述IA对应的动作的运动前时期期满之前。

64.根据权利要求59至63中的任一项所述的系统，所述脑活动信号源于电信号、磁信号或化学信号。

65.根据权利要求59至64中的任一项所限定的系统，其中所述脑活动信号是脑电图(EEG)或皮质电图(ECoG)信号。

66.根据权利要求59至65中的任一项所限定的系统，其中所述处理器适合于从多个操作放置的电极接收所述脑活动信号。

67.根据权利要求59至66中的任一项所限定的系统，其中所述处理器适合于从单个操作放置的电极接收所述脑活动信号。